Dans un tokamak, quelques millisecondes peuvent séparer un plasma stable d’une instabilité qui dégrade l’expérience ou l’interrompt. Les simulations physiques les plus détaillées savent décrire ce milieu brûlant avec finesse, mais elles peuvent demander des jours ou des mois de calcul. Elles arrivent donc beaucoup trop tard pour décider, pendant un tir, s’il faut modifier le chauffage, injecter du gaz ou réorienter un faisceau.
Des chercheurs du Princeton Plasma Physics Laboratory et de l’université de Princeton viennent de présenter PACMAN, une architecture logicielle conçue pour faire entrer plusieurs modèles d’intelligence artificielle dans cette boucle de contrôle en temps réel. Le système a été utilisé dans cinq expériences sur le tokamak DIII-D, en Californie. Sa boucle complète fonctionne typiquement en environ 20 millisecondes.
Lors d’un essai, un modèle a anticipé une instabilité dite de déchirement environ 200 millisecondes avant son apparition, assez tôt pour modifier le plasma et tenter de l’éviter. Dans un autre, un contrôleur entraîné par apprentissage par renforcement a pris en charge les systèmes de chauffage. PACMAN a aussi piloté ensemble les six gyrotrons de DIII-D, des équipements qui injectent de puissantes micro-ondes dans le plasma.
Ce résultat ne signifie pas qu’une IA vient de produire de l’électricité par fusion, ni qu’un réacteur autonome est prêt à alimenter le réseau. DIII-D est une machine de recherche et PACMAN n’est pas un modèle universel qui « comprend » la physique. L’avancée est plus précise : les chercheurs ont construit une infrastructure commune pour brancher, tester et encadrer différents modèles rapides sur une machine réelle.
Un plasma ne peut pas attendre une longue simulation
Un tokamak enferme un gaz ionisé, le plasma, dans une chambre en forme d’anneau. Des champs magnétiques puissants l’empêchent de toucher les parois, tandis que plusieurs systèmes le chauffent et façonnent son comportement. Pour progresser vers la fusion contrôlée, les physiciens cherchent à maintenir un plasma suffisamment chaud, dense et stable pendant une durée utile.
Le problème est que ce plasma ne reste pas sagement dans l’état choisi. Sa température, sa densité, sa rotation et ses profils de courant évoluent. Des oscillations peuvent apparaître. Certaines instabilités grandissent assez vite pour réduire les performances ou provoquer une disruption, c’est-à-dire une perte brutale du confinement.
Les opérateurs disposent déjà de contrôleurs classiques. Ils mesurent l’état de la machine et ajustent les actionneurs selon des règles préparées à l’avance. Ces systèmes sont indispensables, robustes et bien compris. Mais chaque nouvel objectif expérimental peut réclamer des mois d’ingénierie, surtout lorsqu’il faut coordonner plusieurs variables dont les effets se croisent.
L’apprentissage automatique apporte deux raccourcis possibles. Un modèle peut d’abord remplacer une simulation trop lente par une approximation calculée en une fraction de seconde. Un autre peut apprendre quelle action choisir pour rapprocher le plasma d’un objectif. La difficulté n’est plus seulement de construire ces modèles : il faut les connecter aux capteurs, vérifier leurs données, arbitrer leurs commandes et empêcher une sortie aberrante d’atteindre le matériel.
PACMAN fonctionne comme une chaîne de contrôle en quatre étapes
PACMAN signifie Prediction And Control using MAchiNe learning. Malgré son nom accrocheur, il ne s’agit pas d’un algorithme unique. C’est une architecture modulaire qui organise le trajet de l’information entre les diagnostics du tokamak et ses actionneurs.
Des mesures hétérogènes transformées en données exploitables
La première étape rassemble les signaux disponibles en temps réel : forme du plasma, température et densité des électrons, rotation des ions, puissance des systèmes de chauffage, mesures magnétiques ou fluctuations locales. Ces capteurs ne parlent pas tous au même rythme. Certains produisent une valeur toutes les millisecondes ; d’autres nécessitent 5, 10 ou 20 millisecondes de traitement.
PACMAN vérifie les erreurs, harmonise les formats et prépare un paquet de données utilisable par les modules suivants. Cette plomberie paraît moins spectaculaire qu’un réseau neuronal, mais elle est décisive. Un modèle excellent hors ligne devient inutile si une mesure retardée, absente ou mal mise à l’échelle déclenche une mauvaise décision en production.
Plusieurs modèles spécialisés plutôt qu’une seule IA centrale
La deuxième étape accueille les modèles. L’un peut prévoir une instabilité, un autre reconstruire un profil physique difficile à mesurer directement, un troisième estimer l’effet futur d’une commande. PACMAN accepte des réseaux neuronaux, des modèles appris par renforcement, mais aussi des régressions linéaires, des forêts aléatoires ou des fonctions physiques classiques.
Cette ouverture est importante : le logiciel ne suppose pas que la méthode la plus complexe est toujours la meilleure. Chaque modèle reçoit uniquement les signaux dont il a besoin et produit une estimation destinée à la couche de contrôle.
Les objectifs humains deviennent des commandes bornées
Dans la troisième étape, les contrôleurs traduisent les prédictions en demandes concrètes : augmenter la puissance d’un faisceau, changer l’injection de gaz, modifier un miroir de gyrotron ou ajuster la forme visée du plasma. Ces contrôleurs peuvent relever de l’apprentissage par renforcement, de l’optimisation prédictive ou de méthodes conventionnelles.
La dernière étape arbitre avant d’agir. Si deux contrôleurs réclament des commandes incompatibles sur le même équipement, le système bloque l’action conflictuelle et prévient les opérateurs. Des limites minimales et maximales sont également appliquées aux actionneurs. L’IA ne dispose donc pas d’un accès sans contrainte à la machine : elle propose et calcule à l’intérieur d’une enveloppe définie par l’ingénierie et la physique.
Cinq expériences, cinq usages très différents
L’article publié dans la revue Nuclear Fusion ne présente pas une seule démonstration répétée cinq fois. Les chercheurs ont intégré cinq familles d’applications sur DIII-D, ce qui permet de mesurer l’intérêt réel de la modularité.
Le premier contrôleur utilise l’apprentissage par renforcement pour viser des plasmas avancés dits non inductifs, en jouant notamment sur la puissance des faisceaux neutres et du chauffage par micro-ondes. Le deuxième cherche à prévenir les modes de déchirement, des instabilités magnétiques susceptibles de détériorer le confinement. Un troisième prédit certaines bouffées d’énergie à la périphérie du plasma. Un quatrième détecte et atténue des ondes d’Alfvén liées aux particules rapides. Le cinquième ajuste simultanément des profils complets de densité et de rotation à l’aide d’un contrôle prédictif.
Les temps d’inférence rapportés vont d’environ 0,2 milliseconde pour le prédicteur de bord à 15 millisecondes pour le contrôleur prédictif de profils. Il faut distinguer ces durées de la boucle PACMAN typique d’environ 20 millisecondes, qui comprend la préparation des entrées, l’exécution des modèles, le calcul des contrôleurs et le traitement des sorties.
Cette précision évite un raccourci fréquent : toutes les décisions du système ne se valent pas et toutes les instabilités n’évoluent pas à la même vitesse. Les auteurs reconnaissent d’ailleurs que PACMAN ne convient pas, dans sa forme actuelle, aux événements verticaux capables d’évoluer en moins d’une milliseconde. Pour eux, 20 ms suffisent à de nombreuses dynamiques d’intérêt, pas à chacune d’entre elles.
Anticiper le déchirement plutôt que réparer après coup
La démonstration la plus intuitive concerne le mode de déchirement. Cette instabilité réorganise localement la structure magnétique du plasma et peut ouvrir la voie à une disruption. Un contrôleur conventionnel peut détecter le problème lorsqu’il a commencé, puis tenter de le supprimer, au prix d’une baisse de performance.
Dans l’une des expériences rapportées, le modèle intégré à PACMAN a prévu l’instabilité environ 200 ms à l’avance. Cette marge est considérable à l’échelle du contrôle d’un plasma : elle permet d’agir avant la rupture plutôt que de répondre à ses conséquences.
Ce résultat s’inscrit dans une continuité scientifique. En 2024, une équipe de Princeton avait déjà montré dans Nature qu’un contrôleur par apprentissage par renforcement pouvait maintenir sous un seuil la probabilité d’une instabilité de déchirement sur DIII-D. Deux ans auparavant, DeepMind et le Swiss Plasma Center avaient commandé les 19 bobines du tokamak TCV avec un contrôleur appris en simulation, jusqu’à maintenir deux plasmas distincts dans la chambre.
PACMAN ne remplace pas ces travaux. Il cherche à résoudre l’étape suivante : comment éviter que chaque réussite reste une intégration artisanale, liée à un modèle, une expérience et une pile logicielle particulières ? Sa valeur tient moins à un record isolé qu’à la possibilité d’ajouter un modèle en quelques jours, de le combiner avec d’autres et de conserver une logique de sécurité commune.
L’IA accélère l’expérience, pas encore la centrale électrique
Le mot fusion attire facilement des promesses excessives. DIII-D ne produit pas d’électricité commerciale et ces cinq expériences ne démontrent ni un bilan énergétique positif de la machine, ni un plasma auto-entretenu, ni une exploitation continue. PACMAN commande certains éléments d’un dispositif de recherche pendant des tirs expérimentaux courts.
Le contrôle n’en reste pas moins un verrou important. Une future installation devra tenir un état performant longtemps, gérer des diagnostics imparfaits, coordonner chauffage, carburant et champs magnétiques, puis réagir avant qu’une instabilité n’endommage ou n’arrête la machine. À mesure que la puissance et la durée augmentent, il devient aussi plus coûteux de découvrir les mauvaises stratégies directement sur le matériel.
Les modèles rapides peuvent aider à explorer cette marge de manœuvre. Ils ne font cependant pas disparaître les autres obstacles de la fusion : matériaux capables de supporter les neutrons et les flux de chaleur, production et gestion du tritium, maintenance à distance, disponibilité industrielle, conversion de la chaleur en électricité et coût total d’une centrale.
La stratégie américaine pour la fusion définit d’ailleurs un démonstrateur pertinent par un ensemble d’exigences, pas par un unique joli plasma : plus de 50 MW électriques nets pendant au moins trois heures continues, une trajectoire crédible vers une année à pleine puissance et un coût susceptible d’attirer des investisseurs. PACMAN agit sur une brique de ce système beaucoup plus vaste.
La sécurité vient de la séparation des rôles
Dans les discours sur l’IA industrielle, « l’humain dans la boucle » devient parfois une formule rassurante sans mécanisme précis. Ici, la répartition des responsabilités est plus concrète. Les physiciens fixent les objectifs et les paramètres avant le tir. Les modèles estiment l’état du plasma. Les contrôleurs calculent des actions. La couche finale impose des bornes matérielles et traite les conflits. Les opérateurs examinent ensuite les résultats avant l’expérience suivante.
Cette séparation réduit plusieurs risques. Un modèle ne peut pas étendre de lui-même l’objectif qui lui a été confié. Une sortie trop élevée est écrêtée. Une donnée déclarée invalide empêche le contrôleur concerné de calculer une nouvelle commande. Deux modules qui se contredisent ne peuvent pas discrètement additionner leurs demandes.
Elle ne fournit pas pour autant une preuve complète de sûreté. Un modèle peut rester dans les limites autorisées tout en choisissant une action sous-optimale. Une erreur commune à plusieurs capteurs peut paraître cohérente. Et une politique entraînée sur les tirs d’une machine peut mal réagir dans un régime qu’elle n’a jamais rencontré.
Le prochain test sera donc moins spectaculaire qu’un écran montrant une instabilité évitée : documenter la robustesse sur davantage de tirs, mesurer les faux avertissements, provoquer méthodiquement des pannes de capteurs, auditer les transitions entre contrôleurs et vérifier ce qui se passe lorsqu’une action correcte devient dangereuse à cause d’un retard réseau ou matériel.
La modularité devra survivre au passage d’un tokamak à l’autre
Les chercheurs estiment que PACMAN peut être adapté à des tokamaks de tailles, de formes et d’instrumentations différentes. L’architecture sépare effectivement les entrées, les modèles, les contrôleurs et les sorties, ce qui facilite le remplacement d’un module. Mais la portabilité logicielle n’est pas la généralisation physique.
Un modèle entraîné sur DIII-D ne peut pas être branché tel quel sur ITER ou sur une future centrale. Les capteurs changent, les actionneurs n’ont pas les mêmes délais, les matériaux des parois influencent le plasma et certains régimes n’ont encore jamais été produits. Chaque déploiement exigera des simulations, des essais, des marges de sécurité et une validation propres à la machine.
La publication de l’architecture et de ses principes permet néanmoins aux équipes de discuter d’une base commune. C’est un progrès moins visible qu’un nouveau record de température, mais potentiellement structurant. Les systèmes critiques mûrissent lorsqu’ils cessent d’être une collection de démonstrateurs brillants et deviennent une infrastructure reproductible, observable et remplaçable.
Le vrai jalon est une IA enfin intégrée à la machine
PACMAN ne rapproche pas la fusion commerciale de vingt millisecondes. Il rapproche les modèles d’apprentissage automatique du niveau où ils doivent réellement être utiles : entre des capteurs imparfaits et des équipements physiques, sous une échéance stricte, avec des limites qui restent extérieures au modèle.
Les cinq expériences sur DIII-D montrent qu’une même architecture peut accueillir des méthodes très différentes, de la prédiction d’événements au contrôle par renforcement, puis les relier à plusieurs actionneurs. L’anticipation d’un mode de déchirement 200 ms à l’avance illustre le bénéfice immédiat. La couche d’arbitrage et les bornes de sécurité expliquent pourquoi cette vitesse ne se transforme pas en autonomie sans contrôle.
La prochaine étape décisive ne sera pas de retirer l’humain, mais de prouver que cette organisation résiste à davantage de situations, se transfère à d’autres machines et conserve ses garanties lorsque le plasma devient plus puissant et les expériences plus longues. Pour la fusion comme pour le reste de l’industrie, l’IA la plus importante n’est peut-être pas celle qui parle le mieux. C’est celle qui prend une décision utile à temps — et dont une autre couche peut encore refuser la commande.
Références
- Princeton Plasma Physics Laboratory, « PACMAN AI framework for controlling fusion systems safely makes key decisions in milliseconds », 2 septembre 2026
- Andrew Rothstein et al., « Enabling integrated AI control on DIII-D: a control system design with state-of-the-art experiments », Nuclear Fusion, 2026
- Andrew Rothstein et al., prépublication et texte intégral de l’étude PACMAN, arXiv
- Jaemin Seo et al., « Avoiding fusion plasma tearing instability with deep reinforcement learning », Nature, 21 février 2024
- Jonas Degrave et al., « Magnetic control of tokamak plasmas through deep reinforcement learning », Nature, 16 février 2022
- DIII-D National Fusion Facility, présentation de l’installation expérimentale
- U.S. Department of Energy, « Fusion Energy Strategy 2024 »
- ITER, « How fusion is teaching AI new tricks at ITER », 2026
